为什么资源伸缩中的预测性自动伸缩趋势？

自动扩展，特别是预测性自动扩展，是云计算研究界的趋势。

炒作是合理的，因为通过为云应用程序设置正确的自动扩展策略可以为您节省大量资金。

您是否厌倦了繁忙的手动资源扩展策略或者正在寻找云资源扩展的未来趋势？您来对地方了。本文将指导您避免为应用程序很少使用的云资源付费。所以，让我们一起来看看吧！

Cloud computing通过互联网以最小的管理工作提供按需不同的计算和IT资源和服务。可伸缩性意味着增加或减少这些云资源以适应应用程序的不断变化的需求。

扩展策略

一个系统可以通过两种不同的策略在现有基础设施中增加或减少其资源：

• 垂直扩展
• 水平扩展

垂直扩展

垂直扩展是升级或降级现有基础设施的资源、实例或节点。例如，系统在垂直扩展中向现有节点添加更多的计算能力。

垂直扩展有两个操作：扩大和缩小。向现有节点添加更多的功率或资源是扩大操作。而从现有节点中移除一些资源是缩小操作。

水平扩展

与垂直扩展不同，水平扩展是指在现有基础设施中添加或删除更多的实例或节点，而不是升级现有节点。在水平扩展中，系统通过向现有基础设施添加更多的节点或机器来增长。

水平扩展有两个操作：扩展和收缩。扩展意味着向现有基础设施添加更多的节点或机器。相反，缩小操作从现有基础设施中移除任何现有的节点或机器。

云计算中的自动扩展是什么？

自动扩展是云计算术语，指的是自动调整应用程序的云资源。它是无需任何人工干预自动增加或减少资源以维护应用程序性能的能力。

自动扩展在各个领域都有潜在的应用，从您的网络应用到数据库。它还可以帮助公司管理季节性的流量高峰和需求突增。例如，如果您预计在假期期间销售量会增加，您的自动扩展策略可以自动添加（云）服务器以帮助您应对增加的流量突发。

为什么自动扩展对于发展您的业务很重要

随着业务的发展，您可能会发现需要扩大工程团队以满足需求。这可能是一项具有挑战性的任务，因为找到熟练掌握适当技术的工程师可能很困难。此外，雇佣工程师是一个漫长而昂贵的过程，有时您需要他们立即上岗但没有预算支付他们。

自动扩展允许您根据需要扩展服务器，同时避免雇佣更多工程师的费用。您仍然对基础设施拥有完全控制权，但可以使用预定义的规则进行扩展和缩小，而不是手动添加服务器。

这样可以为您的工程团队节省手动添加服务器所需的时间和精力，尤其是在急需更多服务器的情况下。

自动扩展还可以解除您的工程师手动添加和维护服务器的责任，这意味着他们可以专注于其他任务。

谁需要自动扩展

自动缩放是对于依赖其应用程序的企业来说是一个出色的工具。自动缩放可以帮助您节省资金，优化资源，并确保您的应用程序始终以最佳状态运行。

如果您的应用程序需要更多的计算能力，自动缩放可以自动扩展资源以满足需求。如果需求减少，自动缩放可以自动缩减资源以节约能源和成本。

自动缩放对于需要提高应用程序可用性的企业也非常有帮助。通过添加额外的服务器以在故障发生时接管，您可以确保您的应用程序始终可用。对于依赖其应用程序的企业来说，这一点尤为重要。

不适合使用自动缩放的情况

自动缩放可以快速扩展或缩小资源以满足应用程序的需求，并提高其可用性。然而，并不总是适合使用自动缩放。

如果您的应用程序使用率低或不频繁使用，则可能不需要自动缩放。在这种情况下，您可能更好地使用静态方法来扩展您的资源。如果您的应用程序具有可预测的使用模式，您也应该考虑静态扩展而非自动缩放。

最后，您应该考虑自动缩放的复杂性。自动缩放可能非常复杂，需要大量的调整和故障排除。如果您没有时间或资源来专门处理这个问题，您可能需要考虑采用静态方法来扩展您的资源。

自动缩放的不同方法

自动缩放根据自动缩放决策的触发机制分为几种方法。自动缩放决策包括垂直缩放时的扩展或缩小操作，以及水平缩放时的扩展或缩小操作。

让我们简要介绍一下自动缩放策略的三种最常见分类：

#1. 响应式或需求驱动的自动缩放

一种根据事件的发生触发自动缩放决策（基础设施的增长或缩小）的自动缩放方法。一般而言，这种类型的自动缩放发生在系统检测到需求增加时。

需求增加可以与已有基础设施资源的实时监控相关联。例如，当已有节点的CPU利用率超过阈值时，系统可以扩展基础设施。同样地，基于CPU利用率低于阈值时，资源会缩小。

#2. 定时或时间驱动的自动缩放

定时自动缩放方法根据预先定义的时间表增加或缩小基础设施。此自动缩放方法考虑到固定的时间间隔来添加或删除资源。

#3. 预测性自动缩放

这种自动缩放方法会自动调整应用程序的资源以满足预测的需求。预测性自动缩放使用机器学习来预测需求，并根据预测的需求来增加或缩小资源。

预测性方法旨在预测和规划未来的工作负载。它将过去的趋势与当前指标相结合，预测应用程序的性能以及维持该性能水平所需的资源。

预测性自动缩放如何工作？

它监控资源利用率并分析历史数据以预测未来需求。资源利用率指的是CPU和内存使用等指标。

预测性自动缩放使用趋势机器学习方法来预测需求，这些方法根据历史数据进行训练。预测性自动缩放模型可以分析诸如一天中的时间、一周中的日期以及在线客户数量等因素来预测未来需求。当您可以预测潜在需求时，您可以相应地设置阈值。

随着最新的趋势在Machine Learning中，预测性自动伸缩已经从预测未来需求这一范围扩大。增强学习和顺序学习方法使得能够持续从错误中学习。因此，预测算法可以在新事件上进行训练并相应地调整阈值。

Predictive Auto-scaling的好处👍

预测性自动伸缩能够更快更准确地扩展应用程序。预测性自动伸缩的另一个优点是它比反应性自动伸缩更加主动。因此，预测性自动伸缩更好地管理应用程序的负载。

预测性自动伸缩还可以比反应性自动伸缩更准确，因为它分析历史数据来预测未来需求。它通常比反应性自动伸缩在资源管理方面更精确。预测性自动伸缩的其他一些好处如下：

• 几乎不需要手动干预
• 随着负载增加，扩展和添加实例更容易
• 降低过度配置的机会
• 通过预测需求主动采取措施以确保可用性

Predictive Auto-scaling的缺点👎

预测性自动伸缩策略的一些缺点如下：

• 选择正确的预测算法具有挑战性
• 预处理不良的训练数据可能导致高误报预测

为什么使用Predictive Auto-scaling？

自动伸缩可能是一个非常手动的过程，根据您使用的策略可能需要频繁关注。预测性自动伸缩可以帮助自动化这个过程的大部分，并减少您手动进行调整的必要性。

自动伸缩策略可能要求对应用程序进行过度或不足的配置。过度配置可能会给应用程序增加不必要的开销。不足配置可能会导致瓶颈并导致应用程序中断。

大多数现代应用程序使用负载均衡器。预测性自动伸缩可以帮助根据实际指标和性能而不仅仅是请求数量，最佳地使用负载均衡器来在服务器之间移动实例。

何时使用Predictive Auto-scaling策略？

如果您希望减少调整实例数量所需的手动干预，预测性自动伸缩策略可能是您的应用程序的一个好选择。

如果您的应用程序为一般客户或访问者提供服务，您可能希望使用更反应性的监控和伸缩策略。如果您的应用程序面向的是具有固定时间框架的客户，您可能希望使用更具预测性的策略。

如何查找自动伸缩服务？

有几种可用的服务可以帮助您进行自动伸缩。许多云供应商提供自动伸缩服务，如Amazon Web Services (AWS)，Microsoft Azure和Google Cloud Platform。这些服务可以帮助您快速简便地为应用程序设置自动伸缩。

您还可以使用第三方服务来帮助您进行自动伸缩。例如，RightScale，Scalr和AppFormix等服务提供各种自动伸缩服务，如预测性分析、反应性自动伸缩和混合自动伸缩。

最后，您可以使用开源工具来帮助您进行自动伸缩。例如，Kubernetes和Apache Mesos等工具可以帮助您快速简便地为应用程序设置自动伸缩。

结论

自动伸缩是构建弹性和可靠应用程序的重要组成部分。预测性自动伸缩是您的应用程序可以使用的一种潜在策略。如果您的应用程序使用load balancer，那么有效使用此自动伸缩是避免不必要成本和潜在中断的重要因素。预测性自动伸缩可以帮助根据当前的指标和性能而不仅仅是请求数量，最佳地使用负载均衡器。

预测性自动扩展是有帮助的，因为它可以用于规划未来的增长并主动调整资源。设计和实施并不容易，但如果正确执行，它可以帮助你。如果你想减少手动干预调整实例数量的工作，预测性自动扩展可以是你的应用的一个好选择。